出租车载客推荐服务是智能交通的重要组成部分,不仅能够提高出租车的载客效率,而且可以减少环境污染以及交通拥堵。近年来,随着物联网感知与高性能计算技术的不断发展,出租车轨迹数据的获取和保存变得更加便捷,这为出租车载客推荐服务的发展提供了基石。利用数据挖掘等手段对出租车轨迹数据进行出租车载客行为信息的模式识别和知识发现,是出租车载客推荐的关键手段。本文主要以出租车轨迹数据作为研究对象,进行了出租车载客推荐的相关研究,主要研究内容包括:1.基于短期GPS数据的出租车载客区域推荐可以大大减少开销,提高效率,但仍面临数据稀疏问题。近年来,一些学者提出了基于矩阵分解的推荐方法来应对数据稀疏问题。然而,现有的出租车载客推荐方法没有考虑特征之间的交互。为了进一步提高推荐的准确率,我们提出了一种基于因子分解机的出租车载客区域推荐模型。因子分解机通过引入隐向量对特征参数进行估计,能够适应数据高度稀疏的推荐系统环境。我们从轨迹数据中挖掘更多的推荐特征,用于准确描述区域的时空特征和驾驶员的个性化偏好,并采用一种通用的因子分解机来预测司机在不同时段对区域的访问概率,作为载客区域推荐的依据。实验表明,该方法在预测精度上优于传统的出租车载客区域推荐算法。2.为了能够进一步提高出租车载客区域的推荐性能和学习复杂的特征交互,我们提出了一种新的方法,融合深度因子分解机（Deep Factorization Machine,Deep FM）与时空上下文的出租车载客区域推荐方法。首先,将研究区域划分为大小相等的网格区域,并将载客点和兴趣点（Point of Interest,POI）都映射到相应的网格上。然后,从载客点或兴趣点中提取对应载客区域的时空上下文。最后,将这些时空上下文融合到深度因子分解机中去学习复杂的特征交互。实验表明,我们的方法可以显著提高推荐精度,并且优于一些最先进的方法。3.提出了离线与在线相结合的出租车分层载客推荐方法。该系统将融合深度因子分解机与时空上下文的出租车载客区域模型作为离线部分,利用其生成的司机-时隙-网格访问概率矩阵并结合当前空载司机的时空信息,获取推荐的区域。在线推荐利用得到的推荐区域,在推荐的区域上进行时空分析,获取能够代表乘客聚集地点的候选载客点,对候选载客点的属性进行属性度量,从而为司机提供快速、精准的载客点推荐。本文最初研究目的是提高空载出租车的载客效率,克服数据稀疏问题,故提出了基于因子分解机的出租车载客区域推荐模型。针对该模型所存在问题以及为了能够进一步提高推荐性能,在该模型的基础上提出了融合深度因子分解机与时空上下文的出租车载客区域推荐方法。在载客区域的基础上,为了能够向司机提供推荐精度高、时间性能好的完整推荐,我们提出了离线与在线结合的出租车分层载客推荐。